基于自适应移位平均降噪与BP神经网络的钢丝绳损伤识别

吴 东，张宝金，隋显俊，刘伟新，黄升平，杨建华

(1. 鞍钢集团矿业有限公司眼前山分公司，鞍山 114044；2.中国矿业大学 机电工程学院 江苏省矿山机电装备重点实验室，徐州 221116)

由于工作环境复杂恶劣，钢丝绳在使用过程中容易出现断丝、磨损等损伤[1]。钢丝绳损伤造成的停工会带来巨大的经济损失，甚至可能威胁到人员生命安全，因此有必要对钢丝绳进行损伤检测。

漏磁检测是钢丝绳无损检测的一种常用方法[2]。其检测原理是：利用钢丝绳具有高磁导率的性质，使用永磁铁对钢丝绳进行磁化；当钢丝绳出现断丝、磨损等损伤时，损伤处磁阻增大，磁通减小，会出现漏磁现象[3]；通过检测漏磁信号即可判断损伤位置与损伤类型。

恶劣环境下钢丝绳在工作中的振动常会导致漏磁信号特征信息被强噪声淹没。移位平均法是一种应用广泛、抗干扰能力强的信号处理算法。奚彩萍等[4]利用多重分形降趋移动平均法处理典型多重分形信号，并分析了算法的优劣性。王龙等[5]利用移动平均法结合小波阈值分析，实现了含噪的钢丝绳信号自适应提取。

不少学者将钢丝绳损伤分析与深度学习网络紧密结合起来，利用神经网络实现损伤分类与识别。窦连城等[6]采用双树复小波对钢丝绳漏磁信号进行降噪，通过设置自适应阈值提取降噪信号的时频域特征，并提取出最优特征子集输入BP神经网络中，准确识别出钢丝绳内外部断丝。李丹丹[7]结合软阈值处理方案对钢丝绳漏磁信号进行降噪，然后进行峰峰值、波宽、波形下面积和小波能量特征提取，并输入BP神经网络进行分类识别。钟小勇等[8]采用改进粒子群优化算法，对BP神经网络进行优化，并对漏磁信号进行分类识别，实现了外部的断丝损伤检测。

针对钢丝绳在强噪声背景下难以进行损伤识别的问题，提出了一种基于自适应移位平均降噪与BP神经网络的矿用钢丝绳损伤识别方法。以矿井钢丝绳为例，采用自适应移位平均法对强噪声背景下的断丝信号和磨损信号进行降噪处理，通过APSO(自适应粒子群优化)算法找到移位平均算法的最优窗宽，对漏磁信号进行降噪；然后以钢丝绳断丝损伤为例，对处理后的信号提取峰峰值、波宽、波形下面积三种特征值作为特征值样本。最后归一化后输入BP神经网络进行分类识别。

1 基本理论

1.1 高斯白噪声特性

高斯白噪声概率密度服从正态分布，且功率谱密度为常数，满足以下统计特性

〈N(t)〉=0， 〈N(t),N(0)〉=2Dδ(t)

(1)

式中：N(t)为高斯白噪声；D为噪声强度；δ(t)为狄拉克函数；t为时间。

矿井钢丝绳工作环境恶劣，且钢丝绳的振动毫无规律，近似为随机噪声。随机噪声会干扰原始信号，影响钢丝绳损伤特征提取精度。

1.2 基于APSO的自适应移位平均算法

含噪信号可以看作是原始信号与噪声信号的叠加。移位平均法利用了高斯白噪声均值为0的特点。其原理是每次采样的采样点均是点数为N的序列，去掉第一项后，将后面的N-1项往前移，再将新的采样数据作为最后一项，然后对N个采样数据进行算术平均，即

(2)

式中：b(n)为降噪后的信号；a(n)为含有高斯白噪声的信号；N为采样点数序列的长短，这里定义为移位平均法的窗宽。

对于移位平均法，窗宽N的选取会对信号降噪效果产生影响。N过大会导致截止频率过低，细节部分被忽略，N过小会导致截止频率过高，降噪效果差。因此，选择最优的窗宽N可以实现最有效的降噪效果。文章引入APSO算法[9]对窗宽进行优化，选择信号的信噪比作为适应度函数，信噪比Sn定义为

(3)

式中：x(i)为处理后的信号时域图中第i个点的幅值；i1为损伤信号起始点；i2为损伤信号的终止点；A为损伤信号两侧的第A个点。

APSO算法的流程如下。

(1) 初始化种群中各粒子的步长和位置。群体个体数目H为10，步长更新范围R为0.01。所需优化的参数窗宽为N，同时设置参数窗宽的搜索范围N∈[0,500]。

(2) 通过式(3)计算各个粒子的适应度值，存储每个粒子的最好位置和适应度，并从种群中选择适应度最好的粒子位置作为当前粒子群全局最优位置，记作gbest。

(3) 每经过一次迭代，需要对每个粒子位置进行更新。因而第i个粒子更新的S维(变量仅有N，故S=1)的位移为vmax为最大更新步长；piS为第i个粒子迄今为止搜索到的最优位置；pgS为整个粒子群搜索到的最优位置；xiS为粒子位置；k为迭代次数，取100。

viS(k+1)=viS(k)+c1r1S(k)[piS(k)-

xiS(k)]+c2r2S(k)[pgS(k)-xiS(k)]

(4)

xiS(k+1)=xiS(k)+viS(k+1)

(5)

式中：学习因子c1=c2=2；r1和r2为相互独立的伪随机数，服从[0,1]均匀分布；viS∈[-vmax,vmax]，

可根据式(4)，(5)来调整粒子的步长和位置。

(4) 计算位置更新后的每个粒子的适应度，将每个粒子的适应度与其以前经历过的最好位置Pbest所对应的适应度对比，如果较好，则将其当前位置作为该粒子的Pbest；

(5) 将每一个粒子的适应度与全体粒子所经历过的最好位置gbest比较，如果较好，则更新gbest；

(6) 检查终止条件(通常为达到最大迭代次数或达到了足够好的适应值或者迭代输出的最优解相同)，如果没有达到终止条件，则返回(3)；如果满足终止条件，则停止迭代，输出最优解。

2 试验分析

搭建钢丝绳样绳损伤检测试验台，其主要由Y66型便携式探伤仪、钢丝绳样绳(6×37S-FC型，即钢丝绳有6股，每股有37根钢丝绳，绳芯为麻芯，样绳直径为39 mm)、张紧机构、支撑装置、计算机等组成，试验现场如图1所示。

图1 试验现场

采用Y66霍尔型钢丝绳探伤仪对钢丝绳进行无损检测，推动探伤仪在钢丝绳样绳上爬行，利用探伤仪采集装置采集信号并显示在计算机上，数据可保存为txt文本格式，然后调用试验数据进行分析。对实测信号加入噪声强度D为3的高斯白噪声来模拟外界噪声干扰，干扰下的检测信号如图2所示，图中蓝色线为含噪信号，青绿色线为原始信号。

图2 干扰下的检测信号

为了说明该方法的优点，分别取断丝损伤和磨损损伤，采用自适应移位平均法的断丝损伤信号处理的结果如图3(a)所示，基于sym2、db4、db8小波变换的损伤信号处理结果分别如图3(b), 3(c), 3(d)所示。基于不同方法的磨损损伤信号处理结果如图4所示。

图3 基于不同方法的断丝损伤信号处理结果

图4 基于不同方法的磨损损伤信号处理结果

可以看出，采用自适应移位平均法对强噪声背景下的钢丝绳损伤信号进行处理，可有效去除原始漏磁信号的噪声成分并保留损伤位置的波形特征。为说明文章所提方法在信号降噪处理方面的优势，将所提出的自适应移位平均法与传统的小波降噪法[10-11]进行了对比。在断丝信号和磨损信号的处理结果中，为了增加可比性，将降噪后信号归一化，取其信噪比进行对比，其对比结果如表1所示。由表1可见，相较于小波变换，自适应移位平均法的信噪比更高，降噪效果好，信号波形更平滑。

表1 不同处理方法得到的钢丝绳损伤信号信噪比

为了不失一般性，分别给断丝损伤信号与磨损损伤信号加入更强的噪声，其信噪比如表2所示。可以看到在加入更强噪声的情况下，损伤信号的信噪比稳定，其降噪后的漏磁信号仍能保留损伤特征。

表2 不同噪声强度下钢丝绳损伤信号的信噪比

说明在强噪声背景下基于APSO的自适应移位平均法可对漏磁信号进行有效降噪。

3 钢丝绳漏磁信号特征提取

钢丝绳漏磁信号中含有众多特征量,可以描述钢丝绳的损伤情况，故提取出损伤信号的特征量是开展损伤检测的关键。即，所提取的特征量，需能清晰区分不同损伤特征。

以钢丝绳断丝损伤为例，钢丝绳在没有损伤的情况下，漏磁信号波形会在一个很小的区间内平稳波动。截取一段平稳信号，对其求均值作为信号基准线。而当钢丝绳出现断丝时，信号会突然离开基准线，出现突变。

针对钢丝绳断丝损伤，选择波形峰峰值、波形宽度和波形下面积为研究对象，以这三个指标作为特征值构造钢丝绳损伤检测的数据集。断丝信号特征定义示意如图5所示，特征值具体定义如下。

图5 断丝信号特征定义示意

(1) 峰峰值。钢丝绳断丝损伤信号的峰峰值是信号最高点到信号最低点的差值。钢丝绳断丝数量越多，峰峰值越大。

(2) 波形宽度。钢丝绳断丝损伤信号的波宽是指信号从发生突变到恢复平稳波动所经历的距离。

(3) 波形下面积。钢丝绳断丝损伤信号的波形下面积是指信号突变时钢丝绳信号波形和信号基准线围成的面积。

4 基于BP神经网络的钢丝绳损伤定性识别方法

判断钢丝绳是否存在损伤，实质上是建立钢丝绳损伤与所提取到的信号特征的映射。以钢丝绳断丝损伤为例，在使用探伤仪对钢丝绳进行探伤时，由于手持探伤仪的力度、速度不同，在没有断丝的地方也可能会存在断丝损伤信号，称之为伪断丝。而在漏磁信号中提取的峰峰值、波形宽度、波形下面积可以作为真实断丝判断的指标。为了实现钢丝绳断丝损伤的定性识别，笔者使用BP神经网络建立断丝与特征值之间的映射。

BP神经网络是一种多层前馈神经网络[12]，BP神经网络处理过程主要分为两个阶段。第一个阶段是信号的前向传播，从输入层到隐藏层再到输出层。第二个阶段是误差的反向传播，从输出层到隐藏层再到输入层[13]。前向传播计算BP神经网络的损失函数，反向传播对BP神经网络的层与层之间的权重和偏置进行调节，多次训练后，使BP神经网络的期望输出与实际输出逐渐吻合。

在D=3的噪声背景下，采用钢丝绳漏磁信号中获得的峰峰值、波宽、波形下面积等参数建立是否有断丝的特征集，对样本进行归一化处理，其中20组归一化后的真伪断丝损伤信号特征集如表3所示，表中1表示有真断丝，0表示有伪断丝，表中参数为归一化数值，无单位。

表3 真断丝与伪断丝损伤信号归一化特征集

对建立的钢丝绳断丝和伪断丝样本按3：1的比例划分训练集和测试集，并对断丝损伤识别网络的参数初始化，设置隐藏层激活函数为Relu，输出层激活函数为Sigmod。设迭代次数为500，学习率为0.1，目标为0.001，设隐含层节点数为10，BP神经网络结构如图6所示。

图6 BP神经网络结构

图6中w表示层与层之间的连接权值，a表示各层的输出。先用训练集的数据训练BP网神经网络，当达到最大迭代次数或损失函数已达到指定阈值时训练结束。然后将测试集数据输入训练好的BP神经网络进行识别分类。

测试结果表明，BP神经网络的识别准确率为95.71%。重复上述过程，对D=4和D=5的强噪声条件进行自适应移位降噪与数据提取，并输入BP神经网络进行识别，其识别准确率分别为99.60%和99.95%，不同噪声下断丝损伤定性判断结果如图7所示。可以看出，训练的网络可准确分辨真断丝和伪断丝，且误差很小，因此该方法可以对矿用钢丝绳进行损伤定性识别。

图7 不同噪声背景下断丝损伤定性判断结果

5 结论

以矿井钢丝绳为例，针对强噪声背景下难以识别钢丝绳损伤的问题，提出了一种基于自适应移位平均降噪与BP神经网络的矿用钢丝绳损伤识别方法，主要结论如下。

(1) 利用基于APSO算法的自适应移位平均算法可实现强噪声背景下钢丝绳漏磁信号的降噪，可以计算出最优窗宽N，可有效减少原始漏磁信号噪声的干扰，保留完整的波形特性。

(2) 自适应平均算法相较于传统的小波降噪法，信噪比更高，降噪效果更好，信号更平滑。该方法在更强的噪声背景下信噪比稳定，可适用于更强噪声背景下的降噪。

(3) 将信号特征值输入BP神经网络进行训练，其识别准确度高、效果好，可定性判断钢丝绳损伤类型。